Hamiltonian Monte Carlo osiąga dobre wyniki przy ciągłym rozkładzie celów o „dziwnych” kształtach. Wymaga to rozróżnienia celu, ponieważ w zasadzie używa nachylenia rozkładu celu, aby wiedzieć, gdzie iść. Idealnym przykładem jest funkcja w kształcie banana.
Oto standardowy Metropolis Hastings w funkcji Banana: Wskaźnik akceptacji 66% i bardzo słaby zasięg.
Oto z HMC: 99% akceptacji z dobrym zasięgiem.
P.( θ | y1),P.( θ | y1, y2)),. . .,P.(θ | y1, y2), . . ., yN.)
Na przykład ta sekwencja jest doskonałym celem dla SMC:
Dzięki równoległemu charakterowi SMC jest szczególnie odpowiedni do przetwarzania rozproszonego / równoległego.
Podsumowanie:
- HMC: dobre dla wydłużonego dziwnego celu. Nie działa z funkcją ciągłą.
- SMC: dobre dla przypadków multimodalnych i nieciągłych. Może zbiegać się wolniej lub wykorzystywać większą moc obliczeniową dla dziwnych kształtów o dużych wymiarach.
Źródło: Większość zdjęć pochodzi z artykułu, który napisałem, łącząc 2 Metody (Hamiltonian Sequential Monte Carlo). Ta kombinacja może symulować praktycznie każdy rozkład, jaki możemy na nią rzucić, nawet przy bardzo dużych wymiarach.